概述
Squeeze-and-Excitation (SE) blocks let a convolutional network learn how much to weight each feature channel, recalibrating them based on global context.這種廉價的類注意力機制贏得了 2017 年 ImageNet 競賽，並成為標準的 CNN 構建塊。
擠壓和激勵網路是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
SE 模組由 Hu、Shen 和 Sun 於 2017 年提出，為 CNN 增加了明確通道關注。它分两步进行。 「擠壓」使用全域平均池化將每個特徵圖（高度 x 寬度）折疊為單一數字，為每個通道產生一個描述符來總結其全域活化。 The 'excitation' feeds that vector through two small fully connected layers with a bottleneck (a ReLU then a sigmoid) to produce a per-channel weight between 0 and 1. Those weights multiply the origigion chanorigionl mapsge, nx片, ox片SENet 贏得了 ILSVRC 2017 分類挑戰，將 top-5 錯誤率降低至約 2.25%。該區塊僅添加百分之幾的額外參數和計算，並以最小的變更插入 ResNet、Inception 或 MobileNet 中。
技術洞察
擠壓產生一個 C 長度向量 z，其中 z_c 是通道 c 的空間平均值。 Excitation computes s = sigmoid(W2 * ReLU(W1 * z)), where W1 reduces dimension by a reduction ratio r (commonly 16) and W2 restores it, keeping the added cost tiny.輸出是按通道按 s圖縮放的特徵輸入。這是一種自我控制的形式：網路根據全球統計數據決定哪些管道對於該特定輸入很重要。
Mastering Squeeze-and-Excitation Networks
擠壓和激勵（SE）區塊讓卷積網路了解每個特徵通道的權重，並根據全局上下文重新校準它們。這種廉價的類注意力機制贏得了 2017 年 ImageNet 競賽，並成為標準的 CNN 構建塊。擠壓和激勵網路是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了建立深入的理解，請將擠壓和激勵網絡視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用擠壓和激勵網路的強大團隊可以根據可靠性和成本來優化架構、資料和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
SENet 透過將 SE 區塊添加到 ResNeXt 主幹網路贏得了 ImageNet ILSVRC 2017 分類挑戰賽
EfficientNet 和 MobileNetV3 在每個區塊中嵌入 SE 模組，以提高行動裝置上的準確性
物件偵測器和分割模型插入 SE 區塊以強調資訊豐富的特徵通道
ECA-Net 和 CBAM 透過更便宜或空間感知的通道重新校準擴展了 SE 概念
實施模式
Squeeze-and-Excitation Networks in practice
SENet 透過將 SE 區塊添加到 ResNeXt 主幹網絡，贏得了 ImageNet ILSVRC 2017 分類挑戰賽。
SENet 透過將 SE 區塊添加到 ResNeXt 主幹網絡，贏得了 ImageNet ILSVRC 2017 分類挑戰賽。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
Squeeze-and-Excitation Networks in practice
EfficientNet 和 MobileNetV3 在每個區塊中嵌入 SE 模組，以提高行動裝置上的準確性。
EfficientNet 和 MobileNetV3 在每個區塊中嵌入 SE 模組，以提高行動裝置上的準確性。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
Squeeze-and-Excitation Networks in practice
物件偵測器和分割模型插入 SE 區塊以強調資訊豐富的特徵通道。
物件偵測器和分割模型插入 SE 區塊以強調資訊豐富的特徵通道。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
Squeeze-and-Excitation Networks in practice
ECA-Net 和 CBAM 透過更便宜或空間感知的通道重新校準擴展了 SE 理念。
ECA-Net 和 CBAM 透過更便宜或空間感知的通道重新校準來擴展 SE 理念。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。